Compreendendo os dados do scanner

Quando os varejistas começaram a usar scanners de checkout, os fabricantes presumiram que poderiam usar essa nova fonte rica de dados de vendas para melhorar significativamente a eficácia de suas atividades de marketing e promoção. Em vez de lançar campanhas de uma solução única, eles poderiam adaptar programas às principais contas de varejo, por exemplo, todas as lojas Safeway em Denver. Isso significaria retornos muito maiores sobre os investimentos em marketing. Mas a promessa de dados detalhados do scanner não foi cumprida. A maioria dos fabricantes gasta muito dinheiro para obter dados detalhados sobre as vendas de produtos, mas não têm as ferramentas estatísticas necessárias para relacionar os números de vendas às atividades promocionais no nível da conta. Em outras palavras, eles não conseguem isolar os efeitos das mudanças nos preços, nos recursos ou nas exibições nas vendas. As tentativas de aplicar métodos estatísticos tradicionais, como a regressão de mínimos quadrados, produzem rotineiramente estimativas errôneas. Em um teste, um modelo tradicional foi usado para analisar o impacto de colocar o queijo fatiado Kraft em exibição em 77 contas. O modelo indicou que, para muitas contas, as telas diminuíram as vendas ou aumentaram as vendas em um fator de 20 ou mais — resultados obviamente impossíveis. Essas estimativas claramente erradas tornaram todas as saídas do modelo não confiáveis. A maioria dos fabricantes gasta muito dinheiro com dados de vendas de produtos, mas ainda não consegue determinar os efeitos das mudanças nos preços, nos recursos ou nas exibições nas vendas. Uma solução possível seria criar modelos estatísticos individuais para cada conta de varejo. Mas, além de ser proibitivamente demorada e cara, essa abordagem também produz estimativas não confiáveis. Alguns esforços promocionais simplesmente não são usados o suficiente em algumas contas para gerar a profundidade de dados necessária para produzir resultados estatisticamente válidos. Além disso, eventos externos, como condições climáticas incomuns ou a promoção de um concorrente, podem distorcer os números de vendas de uma promoção específica. Nenhuma quantidade de modelagem personalizada pode contornar o problema de pouca informação. Mas agora há esperança. Um novo tipo de técnica estatística, chamada de modelos bayesianos de contração, pode aumentar muito a confiabilidade das estimativas do impacto das promoções nas vendas nas lojas. Combinando informações de várias contas, esses modelos “reduzem” as estimativas de regressão em direção à média, removendo aquelas que são implausíveis. A quantidade de redução é determinada pela quantidade de informações disponíveis em cada conta e pela variabilidade nas estimativas entre as contas. Quanto mais esparsos os dados ou mais consistentes as estimativas, mais a técnica empurra uma estimativa para a média, reduzindo a possibilidade de que um número incorreto prejudique uma análise inteira. Pacotes de software estatístico de empresas como SAS e SPSS estão começando a incluir a capacidade de executar modelos de encolhimento bayesianos. Usar os modelos não é fácil — requer uma compreensão profunda dos métodos estatísticos — mas o software certamente torna a técnica viável para muitas empresas. Além de ser muito mais barato do que tentar desenvolver modelos personalizados, também produz resultados muito mais confiáveis. O encolhimento bayesiano pode finalmente possibilitar que os fabricantes aproveitem todo o potencial dos dados do scanner.

Compreendendo os dados do scanner

Partner Center